SOBRE O PROJETO
Nos dias de hoje, a produção hidroelétrica toma um papel fundamental na produção de energia elétrica em Portugal pois, para além de ser um recurso energético renovável, não poluente e endógeno, contribui com cerca de 30% do consumo energético mensal em Portugal Continental. Para além disso, a grande hídrica é a principal responsável por cobrir a ponta do diagrama de carga, ou seja, garante a produção de energia elétrica suficiente nas horas de maior consumo.
Mas as vantagens de um aproveitamento hidroelétrico não se resumem à produção de energia, pois este é também capaz de abastecer água às populações e indústrias vizinhas, contribuir para minimizar os efeitos nocivos de situações de cheias e secas e facilitar a navegabilidade comercial, turística e as práticas de lazer.
Problema
Nas barragens em que se faz retenção significativa de água, existe uma preocupação com os descarregamentos, que consistem na libertação de água que não está a ser utilizada para produzir energia, mas que permite controlar o caudal e cota do rio, tanto a montante como a jusante. Sendo assim, os descarregamentos são indispensáveis para o correto funcionamento de uma barragem e uma boa gestão destes proporciona uma série de benefícios, não só para a empresa responsável mas também para as populações vizinhas e para o ambiente.
No entanto, em épocas de cheia e com elevados afluentes, esta tarefa torna-se particularmente difícil, sendo benéfico a existência de ferramentas auxiliares na decisão dos descarregamentos.
Objetivos
Numa tentativa de dar resposta a este problema, pretende-se desenvolver um ou mais modelos capazes de prever o estado de variáveis importantes na gestão de descarregamentos, em situações de cheias, e com recurso a técnicas de Data Mining.
De uma forma mais concreta, pretende-se desenvolver um modelo capaz de prever a cota montante e o afluente, utilizando dados horários e com recurso à análise de séries temporais, regressão de quantis e previsão de valores raros extremos.
Metodologia
A metodologia adotada é uma adaptação do CRISP-DM (CRoss-Industry Standard Process for Data Mining) que, por sua vez, é uma metodologia standard para o desenvolvimento de projetos de Data Mining.
Segundo esta metodologia, o ciclo de vida de um projeto de Data Mining consiste essencialmente em seis fases não estanques: compreensão do negócio, compreensão dos dados, preparação dos dados, modelação, avaliação e implementação.